CN113344294B - 一种电力能源预测*** - Google Patents
一种电力能源预测*** Download PDFInfo
- Publication number
- CN113344294B CN113344294B CN202110728567.0A CN202110728567A CN113344294B CN 113344294 B CN113344294 B CN 113344294B CN 202110728567 A CN202110728567 A CN 202110728567A CN 113344294 B CN113344294 B CN 113344294B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- power energy
- electric power
- energy prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013499 data model Methods 0.000 claims abstract description 158
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims description 22
- 238000004220 aggregation Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 22
- 239000010410 layer Substances 0.000 description 19
- 238000000034 method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012792 core layer Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100173586 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fft2 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种电力能源预测***,包括:电力传感节点,用于将以预设的数据模型形式采集到的数据发送至路由节点;路由节点,用于基于任两个数据模型的数据间具有的关系,对任两个数据模型按不同数据处理方式进行融合,得到融合数据模型;路由节点,用于基于各数据模型的数据的时空语义,将各数据模型的数据转换为事件数据;路由节点,用于将事件数据集成至语义场景的快照,转换为对应的预测场景模型的特征数据;路由节点,用于将融合数据模型的数据和特征数据发送至中心服务器;中心服务器,用于将融合数据模型的数据和特征数据输入电力能源预测网络并得到对应的电力能源预测结果,实现边缘计算体系结构的电力能量预测***,减少延迟。
Description
技术领域
本申请涉及电力能源预测技术领域,特别是涉及一种电力能源预测***。
背景技术
随着光伏发电技术的发展,为了减少电力能源浪费,平衡电力能源供需,出现了对短期的电力能源预测的技术。传统的电力能源预测技术中,在建立数据仓库后,通过分析大量历史数据进行电力能源预测。但是,这种能源预测方法实际上不适用于基于物联网的电力能源预测***,因为数据仓库是一种离线的数据分析方法,与电力能源生产***的联系不够紧密,无法反映物联网环境的动态变化。
发明内容
基于此,有必要针对上述技术问题,提供一种电力能源预测***。
一种电力能源预测***,所述***包括多个电力传感节点、路由节点和中心服务器;其中,
所述多个电力传感节点,用于将以预设的数据模型形式采集到的数据发送至所述路由节点;
所述路由节点,用于基于任两个数据模型的数据间具有的关系,则对所述任两个数据模型按不同数据处理方式进行融合,得到融合数据模型;
所述路由节点,用于基于各数据模型的数据的时空语义,将各数据模型的数据转换为事件数据;
所述路由节点,用于将所述事件数据集成至语义场景的快照中,并转换为与所述语义场景对应的预测场景模型的特征数据;
所述路由节点,用于将所述融合数据模型的数据和所述预测场景模型的特征数据发送至中心服务器;
所述中心服务器,用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至电力能源预测网络中,并得到所述电力能源预测网络输出的电力能源预测结果。
在其中一个实施例中,所述路由节点,还用于
若任两个数据模型的数据间具有相等关系,则对所述任两个数据模型按数据纠错进行融合,得到融合数据模型;
若任两个数据模型的数据间具有关联关系,则对所述任两个数据模型按数据冗余进行融合,得到融合数据模型。
在其中一个实施例中,所述路由节点,还用于
若所述任两个数据模型的数据表示的信息相同,则确定所述任两个数据模型的数据间具有相等关系;
若所述任两个数据模型的数据因属性域特征而具有确定的关系,则确定所述任两个数据模型的数据间具有关联关系。
在其中一个实施例中,所述路由节点,还用于
获取多个组合;其中每个组合包括具有组合关系的数据模型和领域本体;
若任两个组合中领域本体的属性引用相同数据,则确定所述任两个组合中数据模型的数据表示的信息相同;
若所述任两个组合中领域本体的属性互相关联,则确定所述任两个数据模型的数据因属性域特征而具有确定的关系。
在其中一个实施例中,所述多个电力传感节点,还用于基于预设的数据聚合和事件配置规则,将以预设的数据模型形式采集到的数据发送至不同的路由节点;
其中,所述数据聚合和事件配置规则的第一参数定义数据聚合的位置和时间,所述数据聚合和事件配置规则的第二参数定义与事件相关的功能。
在其中一个实施例中,所述中心服务器,用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至所述电力能源预测网络的多个分支网络中,以使所述多个分支网络基于所述融合数据模型的数据和所述预测场景模型的特征数据得到电力能源预测值并将电力能源预测值输入至所述电力能源预测网络的决策层中,获取所述决策层基于各分支网络的电力能源预测值得到的电力能源预测结果。
在其中一个实施例中,所述中心服务器,还用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至所述电力能源预测网络的卷积层中,以使所述卷积层将所述融合数据模型的数据和所述预测场景模型的特征数据转换为数组数据并输入至所述多个分支网络中。
在其中一个实施例中,所述电力能源预测结果是所述决策层为各分支网络的电力能源预测值赋予分支网络对应的权重并对赋予权重后的电力能源预测值进行求和得到的。
在其中一个实施例中,所述多个分支网络包括MobileNet网络、MobileNetV2网络和基于傅里叶变换的支持向量回归网络。
在其中一个实施例中,所述预测场景模型的特征数据包括对应于预测场景的简要描述的数据、对应于状态特征集的数据、对应于控制特征集的数据和对应于一般特征集的数据。
上述电力能源预测***包括多个电力传感节点、路由节点和中心服务器;其中,所述多个电力传感节点,用于将以预设的数据模型形式采集到的数据发送至所述路由节点;所述路由节点,用于基于任两个数据模型的数据间具有的关系,则对所述任两个数据模型按不同数据处理方式进行融合,得到融合数据模型;所述路由节点,用于基于各数据模型的数据的时空语义,将各数据模型的数据转换为事件数据;所述路由节点,用于将所述事件数据集成至语义场景的快照中,并转换为与所述语义场景对应的预测场景模型的特征数据;所述路由节点,用于将所述融合数据模型的数据和所述预测场景模型的特征数据发送至中心服务器;所述中心服务器,用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至电力能源预测网络中,并得到所述电力能源预测网络输出的电力能源预测结果。可见,上述电力能源预测***中,数据采集、数据处理和电力能源预测分别分布在电力传感节点、路由节点和中心服务器上,实现基于边缘计算体系结构的短期的电力能量预测***且最终用于本地分析,减少了延迟,减轻了中心服务器的计算压力;进一步地,路由节点的预测场景模型的特征数据可以基于电力传感节点采集到的数据实时更新,适应物联网环境的变化;中心服务器将语义场景的事件数据、融合数据模型的数据输入至电力能源预测网络中,以支持短期的电力能源预测,使得能源中心可以***电力能源消耗,制定合适的生产计划,更好地组织电力能源的生产工作。
附图说明
图1为一个实施例中电力能源预测***的架构图;
图2为一个实施例中电力能源预测的处理方法的流程示意图;
图3为一个实施例中电力能源预测的处理方法的流程示意图;
图4为一个实施例中电力能源预测网络的示意图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
如图1所示,本申请提供一种电力能源预测***,包括多个电力传感节点、路由节点和中心服务器;其中,
所述多个电力传感节点,用于将以预设的数据模型形式采集到的数据发送至所述路由节点。
其中,数据模型(Data Model,DM)可以是预先定义的,如数据模型DM=<URI,Name,Source,Description,AttrSet>,其中,URI是数据模型DM资源的唯一地址,Name是数据模型DM的名称,Source是记录数据模型DM的来源,Description是数据模型DM的简要描述,AttrSet是数据模型DM的属性集合。
电力传感节点S1、S2和S3以预设的数据模型形式采集数据并发送至路由节点L1和L2。
所述路由节点,用于基于任两个数据模型的数据间具有的关系,则对所述任两个数据模型按不同数据处理方式进行融合,得到融合数据模型;
所述路由节点,用于基于各数据模型的数据的时空语义,将各数据模型的数据转换为事件数据;
所述路由节点,用于将所述事件数据集成至语义场景的快照中,并转换为与所述语义场景对应的预测场景模型的特征数据;
所述路由节点,用于将所述融合数据模型的数据和所述预测场景模型的特征数据发送至中心服务器。
也即,路由节点要处理两个方面的内容:①数据模型的融合,②事件数据的转换。针对①数据模型的融合,路由节点基于各数据模型的数据间具有的关系,对数据模型进行对应方式的融合,得到融合数据模型。针对②事件数据的转换,路由节点接收到电力传感节点发送的数据后,根据数据的时空语义,将零散的弱语义物联网数据转换为事件数据,并将事件数据集成至语义场景的快照中,并映射到与语义场景对应的预测场景模型,将事件数据转换为预测场景模型的特征数据。
所述中心服务器,用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至电力能源预测网络中,并得到所述电力能源预测网络输出的电力能源预测结果。
可见,上述电力能源预测***中,数据采集、数据处理和电力能源预测分别分布在电力传感节点、路由节点和中心服务器上,实现基于边缘计算体系结构的短期的电力能量预测***且最终用于本地分析,减少了延迟,减轻了中心服务器的计算压力;进一步地,路由节点的预测场景模型的特征数据可以基于电力传感节点采集到的数据实时更新,适应物联网环境的变化;中心服务器将语义场景的事件数据、融合数据模型的数据输入至电力能源预测网络中,以支持短期的电力能源预测,使得能源中心可以***电力能源消耗,制定合适的生产计划,更好地组织电力能源的生产工作。
进一步地,针对上述①数据模型的融合,路由节点,具体还用于若任两个数据模型的数据间具有相等关系,则对所述任两个数据模型按数据纠错进行融合,得到融合数据模型;若任两个数据模型的数据间具有关联关系,则对所述任两个数据模型按数据冗余进行融合,得到融合数据模型。
也即,若两个数据模型的数据间具有不同的关系,路由节点则按不同的数据处理方式进行融合,进一步提高数据模型融合的准确性。
更进一步地,所述路由节点,还用于若所述任两个数据模型的数据表示的信息相同,则确定所述任两个数据模型的数据间具有相等关系;若所述任两个数据模型的数据因属性域特征而具有确定的关系,则确定所述任两个数据模型的数据间具有关联关系。
也即,若两个数据表示的信息本质相同则是相等关系,若两个数据因属性域特征而具有确定的关系则是关联关系。
再进一步地,所述路由节点,还用于获取多个组合;其中每个组合包括具有组合关系的数据模型和领域本体;若任两个组合中领域本体的属性引用相同数据,则确定所述任两个组合中数据模型的数据表示的信息相同;若所述任两个组合中领域本体的属性互相关联,则确定所述任两个数据模型的数据因属性域特征而具有确定的关系。
具体来说,在输入数据模型和领域本体后,分析数据模型之间的关系,定义数据模型和领域本体组合dd_pairs,定义关系模型为rms;接着,计算所有数据模型之间的相似性,将具有组合关系的数据模型和领域本体保存在dd_pairs中;然后,计算各组合的关系,若两个组合中领域本体中的属性引用相同的数据,判定为相等关系并添加到rms中;若属性相互关联,判定为相关关系并添加到rms中;最后,按关系融合数据模型,将关联关系的两个数据模型按数据纠错融合,将相等关系的两个数据模型按冗余数据融合,并输出融合的数据模型。
上述方式中,通过领域本体的属性确定数据模型的数据是否表示相同的信息或者是否因属性域特征具有确定的关系,提高数据模型融合的准确性。
在一个实施例中,所述多个电力传感节点,还用于基于预设的数据聚合和事件配置规则,将以预设的数据模型形式采集到的数据发送至不同的路由节点;
其中,所述数据聚合和事件配置规则的第一参数定义数据聚合的位置和时间,所述数据聚合和事件配置规则的第二参数定义与事件相关的功能。
示例性地,可以定义数据聚合和事件配置规则DaEvRule=<aggregation,event>,其中aggregation(相当于第一参数)定义数据聚合的位置-时间原则,event(相当于第二参数)定义与事件相关的功能,包括输入、输出以及它们之间的关系。
电力传感节点以数据模型DM的形式采集数据,按照数据聚合和事件配置规则DaEvRule传输到不同的路由节点进行处理。
上述方式中,按照预先定义的数据聚合和事件配置规则将采集到的数据发送至对应的路由节点,提高事件数据的准确性。
在一个实施例中,所述中心服务器,用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至所述电力能源预测网络的多个分支网络中,以使所述多个分支网络基于所述融合数据模型的数据和所述预测场景模型的特征数据得到电力能源预测值并将电力能源预测值输入至所述电力能源预测网络的决策层中,获取所述决策层基于各分支网络的电力能源预测值得到的电力能源预测结果。
进一步地,所述中心服务器,还用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至所述电力能源预测网络的卷积层中,以使所述卷积层将所述融合数据模型的数据和所述预测场景模型的特征数据转换为数组数据并输入至所述多个分支网络中。
更进一步地,所述电力能源预测结果是所述决策层为各分支网络的电力能源预测值赋予分支网络对应的权重并对赋予权重后的电力能源预测值进行求和得到的。
其中,如图4所示,多分支网络可以包括MobileNet网络、MobileNetV2网络和基于傅里叶变换的支持向量回归网络。融合数据模型的数据和预测场景模型的特征数据经过卷积层后,转换为数组数据,且被输入至各分支网络中;各分支网络基于数组数据形成电力能源预测值并将电力能源预测值输入至决策层中;决策层对电力能源预测值进行加权求和处理得到最终的电力能源预测结果。
上述方式中,构建多分支网络进行电力能源预测值的预测处理,提高准确性;并且现有卷积层进行数组转换处理,保证多分支网络的正常预测;决策层对电力能源预测值进行加权求和处理,保证预测结果的准确性。
在一个实施例中,所述预测场景模型的特征数据包括对应于预测场景的简要描述的数据、对应于状态特征集的数据、对应于控制特征集的数据和对应于一般特征集的数据。
示例性地,定义预测场景模型(Predictive Scenario Model,PSM):PSM=<Description,SFSet,CFSet,GFSet>;其中,Description,SFSet,CFSet,GFSet为对应于预测场景模型的不同的特征数据,Description对应于预测情景的简要描述,SFSet对应于状态特征集,CFSet对应于控制特征集,GFSet对应于一般特征集。
上述方式中,预测场景模型的特征数据对应于多方面,更全面地反映物联网环境特征,提高电力能源预测的准确性。
为了更好地理解上述方法,详细阐述一个本申请电力能源预测***的应用实例,本应用实例主要包括以下三个方面:
(1)构建了物联网场景的短期能量预测***,包括数据采集、事件数据生成和预测模型构建,采用边缘计算架构,减少了延迟,降低了中心服务器的计算压力。
(2)提出了一种应用流处理技术的语义信息模型,用于数据准备。它结合数据的时空语义,完成零散的弱语义物联网数据到事件数据的转换。事件数据然后由场景模型集成以形成场景的快照并映射到预测模型。
(3)根据场景实现了在线深度神经网络模型,以支持短期能量预测,该模型在数据流实例上实时更新预测模型,以适应物联网环境的变化。
结合图2、图3和图4,介绍本应用实例具体包括的步骤:
步骤S201:定义数据模型(Data Model,DM):
DM=<URI,Name,Source,Description,AttrSet>
其中,URI是数据模型资源的唯一地址,Name是数据模型DM的名称,Source是记录DM的来源,Description是DM的简要描述,AttrSet是DM的属性集合。
步骤S202:采用语义相似度比较的方法,使数据模型和领域本体保持一致。
步骤2021:定义数据聚合和事件配置规则DaEvRule=<aggregation,event>,其中aggregation定义聚合的位置-时间原则,event定义与事件相关的功能,包括输入、输出以及它们之间的关系。
步骤2022:通过感知层的节点以数据模型DM的形式采集数据,并按照上述规则传输到不同的路由节点进行处理。
步骤2023:定义延迟处理函数,由公式(1)计算得出:
DPT(t)=IPC(t)+latency(t) (1)
其中DPT(t)表示在事件时间t的实际延迟处理时间,IPC(t)表示在事件时间t的理想处理时间,latency(t)表示以t为自变量的延迟函数。
步骤2024:将空特征聚合数据传输到不同的流处理模块,结合时空语义根据步骤S2021定义的规则对滑动窗口模型中不断生成的数据流进行处理,完成原始数据实例到事件数据的转换。
步骤2025:制定后期数据处理规则:
①如果到达窗口w的数据比例超过阈值t,则用MeanCompleter方法计算的值替换延迟的数据。
②如果到达窗口w的数据比例小于阈值t,则丢弃窗口w中的所有数据。
步骤S203:定义关联关系和相等关系,若两个数据表示的信息本质相同则是相等关系,若两个数据因属性域特征而具有确定的关系,则它们是关联关系。
步骤S204:数据模型的融合。
步骤S2041:输入数据模型dms和领域本体dots。
步骤S2042:分析数据模型之间的关系,定义数据模型和领域本体组合dd_pairs,定义关系模型为rms。
步骤S2042.1:计算所有数据模型之间的相似性,将具有组合关系的数据模型和领域本体保存在dd_pairs中。
步骤S2042.2:计算各组合的关系,若两个组合中领域本体中的属性引用相同的数据,判定为相等关系并添加到rms中;若属性相互关联,判定为相关关系并添加到rms中。
步骤S2043:按关系融合数据模型,将关联关系的两个数据模型按数据纠错融合,将相等关系的两个数据模型按冗余数据融合。
步骤S2044:输出融合的数据模型。
步骤S205:建立预测场景模型,将事件数据集成到语义场景的快照中,并转换为预测场景模型的特征数据。定义预测场景模型(Predictive Scenario Model,PSM):PSM=<Description,SFSet,CFSet,GFSet>
其中,Description是预测情景的简要描述,SFSet是状态特征集,CFSet是控制特征集,GFSet是一般特征集。
步骤S206:构建用于预测能量的MobileNet网络,包括3x3的Depthwise卷积以及1x1的卷积当作两个独立模块计算,再通过BN(Batch Normalization,批标准化)和ReLU(Rectified Linear U nit,线性修正单元)激活函数来构建网络,并引用全局超参数宽度因子α和分辨率因子ρ。
步骤S2061:网络核心层计算量由公式(2)计算得出:
CM=Dk·Dk·αM·ρDF·ρDF+αM·αN·ρDF·ρDF (2)
其中,DF·DF表示特征映射的大小,Dk·D表示核的大小,M为输入通道,N为输出通道,CM为网络核心层总计算量。
步骤S2062:初始化宽度因子α=1,分辨率因子ρ=1,标准卷积的计算量CS由公式(3)得出:
CS=Dk·Dk·M·N·DF·DF (3)
从而由公式(4)得到相比标准卷积该网络减少的计算量比重R:
步骤S207:构建MobileNetV2网络,采用Depth-wise(DW)卷积搭配Point-wise(PW)卷积的方式来提特征,在DW卷积之前新加了一个PW卷积。与步骤S206的网络相比,引入残差结构,先升维再降维,增强梯度的传播,去掉Narrow layer(low dimension or depth)后的ReLU,然后用ReLU6作为非线性函数。
步骤S208:构建基于傅里叶变换的支持向量回归预测网络。
步骤S2081:设置阈值threshold并去除噪声,若|fftx(j)|>threshold,fftx2(j)=fftx(j),否则fftx2(j)=0,其中fftx(j)表示经过傅里叶变换后的序列,而经过去除噪声频率成分的序列用fft2(j)表示。
步骤S2082:通过逆傅里叶变换得到去除噪声之后的数据。
步骤S2083:构造一个接近尽可能多的数据点的超平面,选择一个范数小的超平面,同时最小化数据点到超平面的距离和。
即它的优化目标如公式(5)所示:
其中,第一项表示SVM中的边缘,第二项中的C表示权衡项系数,l表示loss函数,f(.)定义为公式(6)所示:
f(x,w,b)=<w,φ(x)>+b (6)
其中Φ(x)表示核函数,作用是将x映射到高维空间中。
loss函数定义如公式(7)所示:
步骤S209:构建多分支网络,将融合后的数据模型经过CNN卷积层将时间序列输入数据转换为数组数据,分别输入到步骤S206、步骤S207和步骤S208构建的网络中,输出电力能源预测值到决策层中。
步骤S210:通过公式(8)计算动作选择概率:
其中,Aj指的是动作j,τ指代的是温度系数,N表示决策动作的个数,Q(Aj)表示第j个动作的估计平均收益。
步骤S210:记多分支网络得到的决策值分别为a,b,c,则最终预测值由公式(9)计算得出:
pr=w1·a+w2·b+w3·c (9)
其中,pr表示最终能量预测值,w1、w2和w3表示各决策的权重。
步骤S212:将预测结果传送给能源管理***,作为能源中心运维的参考,从而为能源规划、分配和节约提供准确而高效的指导。
本应用实例中,应用边缘计算架构减少了延迟,减轻了中心服务器的计算压力。根据场景实现在线深度神经网络模型,以支持短期能量预测,该模型在数据流实例上实时更新预测模型,以适应物联网环境的变化。能源中心可以***能源消耗,制定合适的生产计划,更好地组织能源生产。
应该理解的是,虽然图1至图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1至图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是电力传感节点、路由节点或中心服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储与电力能源相关的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上的实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种电力能源预测***,其特征在于,所述***包括多个电力传感节点、路由节点和中心服务器;其中,
所述多个电力传感节点,用于将以预设的数据模型形式采集到的数据发送至所述路由节点;所述数据模型包括:数据模型资源的唯一地址、数据模型的名称、用于记录数据模型的来源的信息、数据模型的简要描述以及数据模型的属性集合;
所述路由节点,用于若任两个数据模型的数据间具有相等关系,则对所述任两个数据模型按数据纠错进行融合,得到融合数据模型;若任两个数据模型的数据间具有关联关系,则对所述任两个数据模型按数据冗余进行融合,得到融合数据模型;
所述路由节点,用于基于各数据模型的数据的时空语义,将各数据模型的数据转换为事件数据;
所述路由节点,用于将所述事件数据集成至语义场景的快照中,并转换为与所述语义场景对应的预测场景模型的特征数据;其中,所述路由节点的预测场景模型的特征数据基于所述多个电力传感节点采集到的数据实时更新;所述预测场景模型的特征数据包括:对应于预测场景的简要描述的数据、对应于状态特征集的数据、对应于控制特征集的数据和对应于一般特征集的数据;
所述路由节点,用于将所述融合数据模型的数据和所述预测场景模型的特征数据发送至中心服务器;
所述中心服务器,用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至电力能源预测网络的多个分支网络中,以使所述多个分支网络基于所述融合数据模型的数据和所述预测场景模型的特征数据得到电力能源预测值并将电力能源预测值输入至所述电力能源预测网络的决策层中,获取所述决策层基于各分支网络的电力能源预测值得到的电力能源预测结果。
2.根据权利要求1所述的***,其特征在于,所述路由节点,还用于
若所述任两个数据模型的数据表示的信息相同,则确定所述任两个数据模型的数据间具有相等关系;
若所述任两个数据模型的数据因属性域特征而具有确定的关系,则确定所述任两个数据模型的数据间具有关联关系。
3.根据权利要求2所述的***,其特征在于,所述路由节点,还用于
获取多个组合;其中每个组合包括具有组合关系的数据模型和领域本体;
若任两个组合中领域本体的属性引用相同数据,则确定所述任两个组合中数据模型的数据表示的信息相同;
若所述任两个组合中领域本体的属性互相关联,则确定所述任两个数据模型的数据因属性域特征而具有确定的关系。
4.根据权利要求1所述的***,其特征在于,所述多个电力传感节点,还用于基于预设的数据聚合和事件配置规则,将以预设的数据模型形式采集到的数据发送至不同的路由节点;
其中,所述数据聚合和事件配置规则的第一参数定义数据聚合的位置和时间,所述数据聚合和事件配置规则的第二参数定义与事件相关的功能。
5.根据权利要求1所述的***,其特征在于,所述中心服务器,还用于将所述融合数据模型的数据和所述预测场景模型的特征数据输入至所述电力能源预测网络的卷积层中,以使所述卷积层将所述融合数据模型的数据和所述预测场景模型的特征数据转换为数组数据并输入至所述多个分支网络中。
6.根据权利要求1所述的***,其特征在于,所述电力能源预测结果是所述决策层为各分支网络的电力能源预测值赋予分支网络对应的权重并对赋予权重后的电力能源预测值进行求和得到的。
7.根据权利要求1所述的***,其特征在于,所述多个分支网络包括MobileNet网络、MobileNetV2网络和基于傅里叶变换的支持向量回归网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728567.0A CN113344294B (zh) | 2021-06-29 | 2021-06-29 | 一种电力能源预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728567.0A CN113344294B (zh) | 2021-06-29 | 2021-06-29 | 一种电力能源预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344294A CN113344294A (zh) | 2021-09-03 |
CN113344294B true CN113344294B (zh) | 2023-06-09 |
Family
ID=77481375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110728567.0A Active CN113344294B (zh) | 2021-06-29 | 2021-06-29 | 一种电力能源预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344294B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784532A (zh) * | 2018-12-12 | 2019-05-21 | 中山大学 | 一种基于深度学习的厂区能耗预测方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9369351B2 (en) * | 2014-01-06 | 2016-06-14 | Cisco Technology, Inc. | Using learning machine-based prediction in multi-hopping networks |
US10418811B2 (en) * | 2017-09-12 | 2019-09-17 | Sas Institute Inc. | Electric power grid supply and load prediction using cleansed time series data |
CN110519323A (zh) * | 2018-05-21 | 2019-11-29 | 极光物联科技(深圳)有限公司 | 能源物联网设备、能源物联网***及其操作方法 |
CN112633316B (zh) * | 2020-10-22 | 2023-06-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
CN112463393A (zh) * | 2020-12-14 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 基于Mongo集群技术的配电物联网边缘计算架构设计方法 |
CN112953007A (zh) * | 2021-02-23 | 2021-06-11 | 阳光电源(上海)有限公司 | 配电网调度方法、装置及***、处理器、电子设备 |
-
2021
- 2021-06-29 CN CN202110728567.0A patent/CN113344294B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784532A (zh) * | 2018-12-12 | 2019-05-21 | 中山大学 | 一种基于深度学习的厂区能耗预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113344294A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919316B (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
JP7392668B2 (ja) | データ処理方法および電子機器 | |
Ghoreishi et al. | Multi-information source constrained Bayesian optimization | |
CN116569189A (zh) | 被配置为在机器学习模型中实现动态离群值偏倚减少的基于计算机的***、计算组件和计算对象 | |
Zhao et al. | Fault diagnosis on wireless sensor network using the neighborhood kernel density estimation | |
CN113254716B (zh) | 视频片段检索方法、装置、电子设备和可读存储介质 | |
US10248462B2 (en) | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program | |
Pan | Lagrangian relaxation for the multiple constrained robust shortest path problem | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN110232151B (zh) | 一种混合概率分布检测的QoS预测模型的构建方法 | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
Wang et al. | ASNN-FRR: A traffic-aware neural network for fastest route recommendation | |
KR20210064862A (ko) | 지식 그래프 생성 방법 및 이를 이용한 신재생발전 항목 추천 시스템 및 방법 | |
Mehta et al. | An approach to determine important attributes for engineering change evaluation | |
CN113344294B (zh) | 一种电力能源预测*** | |
D'Aronco et al. | Online resource inference in network utility maximization problems | |
Dash | DECPNN: A hybrid stock predictor model using Differential Evolution and Chebyshev Polynomial neural network | |
Liu et al. | Prediction model for non-topological event propagation in social networks | |
CN115210714A (zh) | 通过基于知识蒸馏的nas进行大型模型仿真 | |
Al Ali et al. | Enhancing Financial Distress Prediction through Integrated Chinese Whisper Clustering and Federated Learning | |
CN115630772B (zh) | 综合能源检测配电方法、***、设备及存储介质 | |
CN117278463B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN117609341B (zh) | 一种电网的数字孪生*** | |
CN117474128B (zh) | 一种基于多云服务器的分布式在线机器学习模型构建方法 | |
CN116226686B (zh) | 一种表格相似性分析方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230419 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |